Bias og varians er viktige begreper i overvåket læring som bidrar til å evaluere ytelsen til modeller. Forstå hvordan man beregner disse metrikkene kan forbedre modellvalg og tuning.

Forstå Bias og Variance

Bias refererer til feilen som introduseres ved å tilnærme et problem i virkeligheten med en forenklet modell. Varians måler hvor mye modellens spådommer svinger for ulike treningsdatasett. Begge påvirker modellens nøyaktighet og generaliseringsevne.

Beregner Bias

Bias beregnes ved å sammenligne den gjennomsnittlige forutsigelsen av modellen til den sanne verdien. Trinnene inkluderer:

  • Tren modellen flere ganger på ulike treningsdatasett.
  • Forutsi utgangen for et fast testpunkt hver gang.
  • Beregn gjennomsnittet av disse spådommer.
  • Beregn forskjellen mellom dette gjennomsnittet og den sanne verdien.
  • Forskjellen er å få fordommen i andre omgang.

Beregner variance

Variance måler variasjonen i modellens spådommer. For å beregne det:

  • Bruk spådommene fra flere modeller som trenes på ulike datasett.
  • Beregn gjennomsnittlig forutsigelse på tvers av alle modeller.
  • Bestem det andre avviket av hver forutsetning fra dette middel.
  • Gjennomsnittlig disse squart avvik for å finne variansen.

Praktisk eksempel

Forutsetningene er 3,2, 3,8, 3,5, 3,7 og 3,3. Den sanne verdien er 4.0.

Den gjennomsnittlige forutsetningen er 3,5. Forskjellen i siffer er (4.0 - 3.5)^2 = 0,25. Variansen beregnes ved å gjennomsnitte de sifferanvendte avvikene fra hver forutsetning fra 3,5, noe som resulterer i 0,14.